基于粒子群算法求解约束优化问题.pdfVIP

194 计算机技术与应用进展·2006 基于粒子群算法求解约束优化问题+ 赵志刚1，2韦兆文2 1上海理工大学管理学院上海200093； 2广西大学计算机与电子信息学院广西南宁530004 摘要：粒子群优化算法是一种基于群体智能的进化演化算法，已经在许多领域得到了非常成功的 应用。本文以非线性约束优化问题为研究对象，通过引入一个检查函数来处理约束条件，然后采用粒 子群优化算法求解非线性约束优化问题。仿真实验结果验证了该算法的正确性与有效性。 美奠词：粒子群优化算法非线性约束优化演化计算 1引 言 作为运筹学的一个重要分支，非线性优化问题的求解方法一直是人们研究的重点“卜14J。随着优化对象 复杂性的增加，优化问题的规模也越来越大，传统的优化方法难以适应，因此人们在寻求严格最优化理论 和方法的基础上，探索并提出了一些新的随机最优化方法和智能优化方法，如遗传算法“J【“，蚁群算法”J Swarm 等，但各种方法都有其相应的适用范围和局限性。粒子群优化算法(Particle 自提出以来，已受到国内外学者的高度关注。由于PSO概念简单、容易实现并且需要调整和控制的参数较 少，同时又有着深刻的智能背景，既适合科学计算，又特别适合工程应用…。短短几年里，PSO算法已经 获得了很大的发展，目前已广泛应用于函数优化。神经网络训练，模糊系统控制以及其他的应用领域。本 文探讨利用粒子群优化算法求解非线性约束优化问题。 2粒子群优化算法 粒子群优化算法是一类基于群体的智能随机优化算法。粒子群优化算法中针对优化问题的每一个解都 是搜索空间中的一个“粒子”，每个粒子都有一个由优化函数所决定的适应度(通常即优化函数本身)，以评价 该粒子当前位置的优劣。粒子群优化算法首先初始化一群随机粒子，然后通过迭代找到最优解。在第k次 迭代中，第i个粒子具有如下两个属性： ①在一个Ⅳ维空间中的位置向量x；=(x÷…．，J：…．，石。k)，其中z：E[z。,Un]，1≤n-N，f。 和u。是位置向量第n维座标的下限和上限 ‘作者简介：赵志刚(1973 )，男，广西人，上海理工大学管理学院博士研究生，广西大学计算机与电子信息学院讲师 研究方向：人工智能，供应链管理。 ②速度向量哆； v急．。，．，v：。。。)以及最小速度向量VIllik。=(v。k。，。．．，v急．。，…，v。k。．。)之间。 在PSO算法的每一次迭代过程中，整个种群的所有粒子均根据以下两个公式被更新㈣： q2“=。■‘+cln(0‘一X?)+ c2 (1) r2(《一x；) X；“=X?+口+ 其中卑是第i个粒子自身所找到的当前最佳位置(即个体最优解)，在某些文献中日也被记作pbest。名(有 为当前迭代次数，iterMax为算法总的迭代次数，则有： oMax0f∞^缶n ∞=a，Max—iterx (3) itcrMax 粒子群在更新过程中，粒予速度每一维的取傅不趣过最大允许值，粒子位置每一维的座标也限制在允 许范围内。同时，弓与0在迭代过程中不断更新，最后输出的名就是算法得到的最优解。 粒子群优化算法在运行过程中，如果某粒子发现7一个当前的群体最优位置，其他粒子将迅速向其靠 拢。如果该最优位置是局部最优点，粒子群就无法在解空间内重新搜索，因此，算法陷入局部最优，出现 了所谓的早熟收敛现象。文献[8y9的实验研究表明，在PSO算法的运行过程中，如果对整个粒子群当前找 到的最优解只增加一个随机扰动，将有助于算法跳出局部最优点，从而显著改善算法的收敛性能，使PSO 算法能够有效避免早熟收敛问题，提高全局搜索能力。 设_是服从标准正态分布的随机变量，即_～N(O，1)，则 乞=乞×(1+玎)